基于深度卷积神经网络的四肢X射线图像,用于多地点骨折的人工智能诊断模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 准确的骨折诊断对于创伤患者的护理至关重要.
• 深度学习 (AI) 在医学成像中越来越多地用于骨折检测.
• 这项研究的重点是开发一个人工智能模型,以X射线检测四肢骨折.

研究的目的:

• 构建一个深度学习模型,用于识别四肢骨X射线图像中的多重骨折.
• 利用大数据进行训练和验证骨折检测模型.
• 评估模型在识别各种类型的骨折方面的表现.

主要方法:

• 在2017年至2020年期间,从25,635名患者 (26,098张图像) 中回顾收集了四肢放射成像数据.
• 在90%的数据上使用更快区域卷积神经网络 (R-CNN) 算法开发骨折检测模型.
• 使用灵敏度,特异性,曲线下的面积 (AUC) 和分段精度的子系数来评估模型性能.

主要成果:

• 更快的R-CNN模型实现了高性能,所有部件的AUC值超过0.920,手腕骨折达到0.952.
• 骨折区域的检测精度为0.865,多病变的灵敏度为0.957,单病变的灵敏度为0.852.
• 实现了优异的细分精度,训练集为0.996,验证集为0.975.

结论:

• 更快的R-CNN算法有效地识别了手,脚,手腕,脚,半径/骨和骨/骨的同时骨折.
• 该模型表现出高准确度,低假负率和可控制的假阳性率.
• 这种人工智能模型可以作为在X射线图像中检测骨折的有价值的查工具.